[发明专利]生成训练数据的方法及装置

说明书

本公开涉及生成训练数据的方法及装置。生成训练数据的方法包括：获取包括文字内容的内容文档、与文字内容对应的文本以及每行文字内容在内容文档中的位置坐标；根据每行文字内容在内容文档中的位置坐标，生成包括行标记的标记文档，其中，一个行标记对应一行文字内容，一个内容文档对应一个标记文档；在不同场景条件下，自动对内容文档和标记文档分别进行拍摄，得到多组拍摄图像，其中，每组拍摄图像包括第一拍摄图像和第二拍摄图像，且对应一种场景条件；对于每种场景条件，根据第二拍摄图像中的每个行标记，确定每行文字内容在第二拍摄图像中的位置坐标；将每种场景条件下的文本、各行文字内容的位置坐标和第一拍摄图像，确定为训练数据。

技术领域

本公开涉及机器学习领域，特别涉及生成训练数据的方法及装置、计算机可存储介质。

背景技术

光学字符识别(Optical Character Recognition,OCR)是指对含有文字内容的图像进行分析识别处理，获取文字内容及版面信息的过程。目前，大多数OCR算法都使用了深度学习技术，需要大量的训练数据作为支撑。因此，训练数据对于OCR算法的最终性能有着至关重要的作用。

目前用于OCR算法的训练数据的生成方式有人工标注和图像合成两种。

通过人工标注的方式生成训练数据主要分为以下三个阶段。首先，标注人员需要对大量的待识别对象的样本在不同光照、角度、遮挡等条件下进行照片拍摄，获得大量的包含待识别对象的图像。然后，标注人员利用标注工具，对这些图像中的每行文字内容进行手工位置标记，并进一步对每行文字内容进行手工输入转写得到包括文字内容的文本，耗费大量的人力和时间。最后，由于ORC算法对于训练数据中的标注信息的准确性要求很高，通常还需要标注人员对标注信息进行至少一轮的校对，才能保证训练数据的质量。

通过人工标注的方式生成训练数据具有人工标注耗时长、标注成本高且存在误差。针对此技术问题，提出了一种通过图像合成的方式生成训练数据的方法。具体地，利用脚本程序，将待识别对象随机合成在背景图片中，获取待识别对象的文字区域信息和文字内容信息，从而得到包括标注信息的训练数据。或利用图像处理软件PhotoShop提供的JavaScript接口，对素材进行解析和批量修改，生成包括标注信息的训练数据。图像合成的方式本质上是一种仿真数据的生成方法。

发明内容

发明人认为：相关技术中，生成的训练数据不符合现实场景规律，利用生成的训练数据训练得到的OCR模型识别真实图像的准确性较差。

针对上述技术问题，本公开提出了一种解决方案，在不同的现实场景条件下，自动生成符合现实场景的训练数据，提高了利用生成的训练数据训练得到的OCR模型识别真实图像的准确性。

根据本公开的第一方面，提供了一种生成训练数据的方法，包括：获取包括文字内容的内容文档、与所述文字内容对应的文本以及每行文字内容在所述内容文档中的位置坐标；根据每行文字内容在所述内容文档中的位置坐标，生成包括行标记的标记文档，其中，一个行标记对应一行文字内容，一个内容文档对应一个标记文档；在不同场景条件下，自动对所述内容文档和所述标记文档分别进行拍摄，得到多组拍摄图像，其中，每组拍摄图像包括与所述内容文档对应的第一拍摄图像和与所述标记文档对应的第二拍摄图像，且对应一种场景条件；对于每种场景条件，根据第二拍摄图像中的每个行标记，确定每行文字内容在第二拍摄图像中的位置坐标；将每种场景条件下的文本、各行文字内容的位置坐标和第一拍摄图像，确定为训练数据，用于训练光学字符识别OCR模型。

在一些实施例中，自动对所述内容文档和所述标记文档分别进行拍摄包括：自动对包括所述内容文档的屏幕和包括所述标记文档的屏幕分别进行拍摄。